SISTEMA DE AUXÍLIO NA AVALIAÇÃO DE CALCIFICAÇÕES MAMÁRIAS POR PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGÊNCIA ARTIFICIAL

Transcrição

1 UnB - UNIVERSIDADE DE BRASÍLIA FGA - FACULDADE GAMA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA BIOMÉDICA SISTEMA DE AUXÍLIO NA AVALIAÇÃO DE CALCIFICAÇÕES MAMÁRIAS POR PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGÊNCIA ARTIFICIAL FÁTIMA GISELE GOMES ELPÍDIO ORIENTADORA: Dra. LOURDES MATTOS BRASIL CO-ORIENTADORA: Dra. JANICE MAGALHÃES LAMAS DISSERTAÇÃO DE PÓS-GRADUAÇÃO STRICTO SENSU EM ENGENHARIA BIOMÉDICA PUBLICAÇÃO: 003/2012 BRASÍLIA/DF: AGOSTO 2012

2 UnB - UNIVERSIDADE DE BRASÍLIA FGA - FACULDADE GAMA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA BIOMÉDICA SISTEMA DE AUXÍLIO NA AVALIAÇÃO DE CALCIFICAÇÕES MAMÁRIAS POR PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGÊNCIA ARTIFICIAL FÁTIMA GISELE GOMES ELPÍDIO DISSERTAÇÃO SUBMETIDA AO PROGRAMA DE PÓS-GRADUAÇÃO DA FACULDADE GAMA DA UNIVERSIDADE DE BRASÍLIA, COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM ENGENHARIA BIOMÉDICA. APROVADA POR: Profa. Dra. Lourdes Mattos Brasil (Orientadora) Dra. Janice Magalhães Lamas (Co-orientadora) Prof. Dr. Cristiano Jacques Miosso (Examinador Interno) Prof. Dr. Renato da Veiga Guadagnin (Examinador Externo) ii

3 BRASÍLIA/DF, 31 DE AGOSTO DE FICHA CATALOGRÁFICA ELPÍDIO, FÁTIMA GISELE GOMES Sistema de auxílio na avaliação de calcificações mamárias por processamento digital de imagens e inteligência artificial, [Distrito Federal] p., 210 x 297 mm (FGA/UnB Gama, Pós-Graduação Stricto Sensu, Engenharia Biomédica, 2012). Dissertação de Pós-Graduação Stricto Sensu em Engenharia Biomédica, Faculdade Gama, Programa de Pós-Graduação. 1. Calcificações mamárias 2. BI-RADS 3. Raciocínio Baseado em Casos 4. Rede Neural Artificial 5. Processamento Digital de Imagens I. FGA UnB Gama/ UnB. REFERÊNCIA BIBLIOGRÁFICA ELPÍDIO, F. G. G. (2012). Sistema de auxílio na avaliação de calcificações mamárias por processamento digital de imagens e inteligência artificial. Dissertação de Mestrado em Engenharia Biomédica, Publicação, Publicação 003/2012, Programa de Pós-Graduação em Engenharia Biomédica, Faculdade Gama, Universidade de Brasília, Brasília, DF, 156p. CESSÃO DE DIREITOS AUTOR: Fátima Gisele Gomes Elpídio. TÍTULO: Sistema de auxílio na avaliação de calcificações mamárias por processamento digital de imagens e inteligência artificial. GRAU: Pós-Graduação Stricto Sensu em Engenharia Biomédica. ANO: É concedida à Universidade de Brasília permissão para reproduzir cópias desta dissertação de pós-graduação e para emprestar ou vender tais cópias somente para propósitos acadêmicos e científicos. O autor reserva outros direitos de publicação e nenhuma parte desta dissertação pode ser reproduzida sem a autorização por escrito do autor. Fátima Gisele Gomes Elpídio Quadra 05, Lote 3, Casa 2 COND. RESID. Athos I, Jardim dos Ipês CEP Valparaíso de Goiás, GO Brasil. iii

4 "Se enxerguei longe, foi porque me apoiei nos ombros de gigantes." Isaac Newton iv

5 AGRADECIMENTOS Inicialmente agradeço a Deus e a minha família por serem minha base e motivação para realizar meus ideais. À Dra. Lourdes Mattos Brasil, minha orientadora, por seu apoio e amizade incondicional, por acreditar e investir no meu potencial, guiando-me e fornecendo-me os subsídios necessários para concretização desse trabalho. À Dra. Janice Lamas, minha co-orientadora, pela gentileza de compartilhar comigo seu conhecimento, experiência, material e momentos preciosos do seu tempo. Sua participação foi fundamental para a concretização dessa pesquisa. Nesse mesmo contexto, agradeço também aos profissionais da Clínica Janice Lamas, em especial à Tâmara Almeida de Morais, técnica em mamografia, pelo apoio na realização das reuniões com a Dra. Janice e auxílio na disponibilização dos materiais empregados nessa pesquisa. Ao Prof. Cristiano Miosso, cujo apoio e orientações foram essenciais no decorrer das pesquisas realizadas no âmbito desse trabalho. À CAPES pelo apoio financeiro concedido para a realização dessa pesquisa. Por fim, agradeço a todos que contribuíram direta ou indiretamente na concretização desse trabalho. v

6 RESUMO SISTEMA DE AUXÍLIO NA AVALIAÇÃO DE CALCIFICAÇÕES MAMÁRIAS POR PROCESSAMENTO DIGITAL DE IMAGENS E INTELIGÊNCIA ARTIFICIAL Autor: Fátima Gisele Gomes Elpídio Orientadora: Profa. Dra. Lourdes Mattos Brasil Co-orientadora: Dra. Janice Magalhães Lamas Programa de Pós-Graduação em Engenharia Biomédica Brasília, Agosto de A melhor forma de prevenção e controle do câncer de mama, o segundo tipo de câncer com maior incidência mundial, continua sendo o diagnóstico precoce. A mamografia é considerada o principal método de detecção precoce do câncer de mama. As calcificações (acúmulo de cálcio em regiões da mama) são freqüentemente encontradas em exames de rastreio da mama. A distinção entre calcificações tipicamente benignas e calcificações suspeitas de malignidade é uma tarefa complexa. O sistema Breast Image Reporting and Data System (BI-RADS) normatiza a descrição e o manejo dos achados mamográficos entre os especialistas da área médica. Este trabalho fundamenta-se em técnicas de Processamento Digital de Imagens para realizar a extração de informações morfológicas das calcificações e uma Rede Neural Artificial (RNA) Perceptron Múltiplas Camadas (PMC) para classificar as calcificações analisadas de acordo com a classificação morfológica definida pelo BI-RADS. O desempenho da RNA PMC foi avaliado em um teste controlado com calcificações sintéticas, geradas para simular calcificações reais, e validado com calcificações reais, extraídas de mamografias cedidas pela clínica de estudo. Adicionalmente foi desenvolvido um sistema de Raciocínio Baseado em Casos para indicar a classificação BI-RADS final da mamografia conforme análise das calcificações mamárias. A RNA PMC adotada foi testada usando o algoritmo Backpropagation cujos melhores resultados demonstraram uma convergência rápida da RNA e uma boa generalização do conhecimento, permitindo uma classificação com até 98% de acerto. A avaliação da técnica de RBC foi realizada com testes com a especialista da área e técnicas de validação preditiva. Os resultados obtidos validam que a presente proposta disponibiliza um processo consistente de análise das calcificações mamárias através do uso das técnicas de IA e PDI. Palavras-chaves: Calcificações mamárias, BI-RADS, Rede Neural Artificial, Raciocínio Baseado em Casos, Processamento Digital de Imagens. vi

7 ABSTRACT AID SYSTEM TO EVALUATION OF BREAST CALCIFICATION BY DIGITAL PROCESSING OF IMAGES AND ARTIFICIAL INTELLIGENCE Author: Fátima Gisele Gomes Elpídio Supervisor: Dra. Lourdes Mattos Brasil Co-supervisor: Dra. Janice Magalhães Lamas Post-Graduation Program in Biomedical Engineering Brasília, August of Early diagnosis still represents the best approach to prevent and control breast cancer, the second most frequent form of cancer worldwide. In this context, mamography has been largely used as major method for early disease detection. Calcifications (calcium buildups) in breast regions are frequently found in breast screening examinations. The distinction between clusters of benign and malignant calcification is a complex task. The BI-RADS system (Breast Image Reporting and Data System) standardizes the description and management of mammographic findings among medical experts. This work is based on techniques Digital Image Processing (DIP) to perform the extraction of morphological information of calcifications and an Artificial Neural Network (ANN) Multi-Layer Perceptron (MLP) to classify calcifications analyzed according to the morphological classification defined by BI-RADS. The performance of MLP ANN was evaluated in a controlled test with synthetic calcifications, generated to simulate real calcifications and validated with real calcifications, extracted from mammograms provided by associated clinical. Additionally it was developed a system of Case Based Reasoning (CBR) to indicate the BI-RADS mammography of breast calcifications according to BI-RADS category most applicable. The ANN MPL adopted was tested using the Backpropagation algorithm whose best results demonstrated a rapid convergence of ANN and a good generalization of knowledge, allowing a rating up to 98% accuracy. The evaluation of CBR technique was performed with tests of medical expert and techniques for predictive validity. The results validate that this proposal provides a consistent process for analyzing breast calcifications through the use of AI techniques and DIP. Key-words: Breast Calcification, BI-RADS, Artificial Neural Network, Case-Based Reasoning, Processing Digital Images. vii

8 SUMÁRIO 1 INTRODUÇÃO Contextualização e Formulação do Problema Objetivos Objetivo geral Objetivos específicos Revisão da Literatura Organização do Trabalho FUNDAMENTAÇÃO TEÓRICA Análise da mama Calcificações Fatores pré-dispositivos do câncer de mama A mamografia e a classificação BI-RADS dos achados Processamento digital de imagens - PDI Segmentação Morfologia Matemática na extração de características Transformada de Wavelet O uso de RBC como Sistema de Apoio à Decisão Etapas de desenvolvimento do sistema RBC Vantagens e aplicações dos sistemas RBC Validação do sistema RBC na área médica Reconhecimento de padrões em imagens com RNA PMC A aquisição do conhecimento das RNAs Algoritmo de aprendizagem Backpropagation METODOLOGIA Definição da pesquisa Delimitação do estudo Coleta de dados para RNA Formação e Aquisição de ROIS Extração de atributos de ROIs (pré-processamento da RNA PMC) Geração de base de treinamento e teste da RNA Modelo de RNA proposto Aquisição de conhecimento e modelagem do sistema RBC viii

9 3.4.1 Levantamento de requisitos Definição do problema e representação dos casos com RBC Atribuição dos pesos às características dos casos Modelagem da solução proposta RESULTADOS Pré-processamento de ROIs Análise de atributos morfológicos extraídos das ROIs Treinamento de RNA PMC para classificar calcificações mamárias Funcionamento do sistema RBC DISCUSSÃO E CONCLUSÃO TRABALHOS FUTUROS REFERÊNCIAS BIBLIOGRÁFICAS ANEXOS MODELOS DE DOCUMENTOS ANEXO 1: Artigo publicado no anais do CBEB XXII ANEXO 2: Artigo publicado no anais do ECT ANEXO 3: Artigo publicado no anais do PAHCE ANEXO 4: Artigo publicado no anais do ISEM ANEXO 5: Artigo publicado no anais do WC ANEXO 6: Artigo publicado no anais do PAHCE ANEXO 7: Artigo publicado no anais do CBEB ANEXO 8: Modelo de questionário para aquisição de conhecimento do RBC ANEXO 9: Modelo de proposição de heurísticas para aquisição e modelagem do conhecimento no sistema de RBC ix

10 LISTA DE TABELAS Tabela 1 - Padrões de densidade mamária estabelecidos pelo BI-RADS (ACR, 2005) Tabela 2 Comparação de caso de consulta com casos da base do SACM x

11 LISTA DE FIGURAS Figura 1: Anatomia da mama (NETTER, 2008) Figura 2: Classificação de calcificações mamárias em tipos morfológicos (LE GAL, 1984) Figura 3: Calcificações cutâneas (Imagem concedida pela CJLR) Figura 4: Calcificações vasculares (Imagem concedida pela CJLR) Figura 5: Calcificações em forma de pipoca (Imagem concedida pela CJLR) Figura 6: Calcificações em forma de bastonetes (Imagem concedida pela CJLR) Figura 7: Calcificações redondas (Imagem concedida pela CJLR) Figura 8: Calcificações em forma de ovo (Imagem concedida pela CJLR) Figura 9: Calcificações centro radiotransparente (Imagem concedida pela CJLR) Figura 10: Calcificações em leite de cálcio (Imagem concedida pela CJLR) Figura 11: Calcificação distrófica (Imagem concedida pela CJLR) Figura 12: Calcificações em fio de sutura (Imagem concedida pela CJLR) Figura 13: Calcificações puntiformes (Imagem concedida pela CJLR) Figura 14: Calcificações heterogêneas (Imagem concedida pela CJLR) Figura 15: Conjunto de calcificações ramificadas (Imagem concedida pela CJLR) Figura 16: Características morfológicas e de distribuição das calcificações mamárias. (CENTRO DE CIÊNCIAS TECNOLÓGICAS) Figura 17: Etapas do PDI (Adaptado de GOMES, 2001) Figura 18: Etapas do processamento frequencial de imagens (GONZALEZ E WOODS, 2008) Figura 19: Fundamentos de atuação dos operadores morfológicos (GONZALEZ E WOODS, 2008) Figura 20: Árvore de decomposição Wavelet, contendo 3 níveis. Em cada nível são utilizados filtros passa-baixas obtendo as Aproximações (gn) e filtros passa-altas obtendo os Detalhes (hn) (PEREIRA, 2003) Figura 21 Ciclo RBC (AAMODT e PLAZA, 1994) Figura 22: Exemplo de uma RNA PMC típica com uma camada oculta (AZEVEDO et al., 2000). 56 Figura 23: Etapas aplicadas na metodologia Figura 24: Diagrama de atividades para extração de informações morfológicas de ROIs Figura 25: Arquitetura da RNA PMC adotada Figura 26: Método VORD utilizado na etapa de levantamento de requisitos do RBC (SOMMERVILLE, 2003) Figura 27: Estrutura de representação dos casos Figura 28: Estrutura de raciocínio empregada na pesquisa (Adaptado de SILVA, 2005) Figura 29: Procedimento para extração de ROIs (Adaptado de imagem original concedida pela CJLR) Figura 30: Exemplo de ROIs de calcificações reais adotadas no estudo em comparação com calcificações fictícias geradas para simular as reais (Adaptado de imagens originais concedidas pela CJLR) Figura 31: Exemplo de ROIs de calcificações extraídas de mamografias em paralelo com as calcificações fictícias geradas Figura 32: Distribuição de classes por parâmetros extraídos das ROIs de calcificações sintéticas.. 79 xi

12 Figura 33: Distribuição de classes por parâmetros extraídos das ROIs de calcificações reais Figura 34: Distribuição de classes calcificação em função dos parâmetros área e perímetro Figura 35: Arquitetura da RNA PMC adotada Figura 36: Distribuição dos parâmetros extraídos de ROIs sintéticas utilizadas no treinamento da RNA Figura 37: Variação do EMQ da RNA PMC empregada para distinguir calcificações redondas de puntiformes Figura 38: Disposição das classes no arquivo de treinamento utilizado como teste da RNA PMC treinada Figura 39: Desempenho da RNA PMC testada durante a classificação de um arquivo teste com as ROIs reais Figura 40: Diagrama Entidade Relacionamento da aplicação Figura 41: Tela de acesso a consulta de casos no SACM Figura 42: Tela de consulta de caso na base do sistema SACM Figura 43: Tela apresentando sugestão de classificação BI-RADS conforme consulta por similaridade entre as características do caso de consulta e os casos presentes na base do SACM Figura 44: Teste para detectar automaticamente as regiões de calcificação em imagem de mamografia Figura 45: Processo de segmentação de imagem por histograma xii

13 LISTA DE SÍMBOLOS, NOMENCLATURAS E ABREVIAÇÕES ACM Association for Computing Machinery ACR American College of Radiology ANS - Agência Nacional de Saúde Suplementar BI-RADS Breast Imaging Reporting and Data System CADe Computer-Aided Detection CADx Computer-Aided Diagnosis CC - Crânio Caudal CJLR Clínica Janice Lamas Radiologia CBEB Congresso Brasileiro de Engenharia Biomédica EMQ Erro Médio Quadrático FDA Food and Drug Administration IBICT Instituto Brasileiro de Informações em Ciência e Tecnologia IEEE Institute of Electrical and Electronics Engineers INCA - Instituto Nacional de Câncer ISEM - International Symposium on Applied Electromagnetics and Mechanics LNCC/RJ - Laboratório Nacional de Computação Científica (unidade do Rio de Janeiro) MLO - Médio Laterial Oblíqua MRI - Magnetic Resonance Imaging MVS - Máquina de Vetores de Suporte NCBI National Center for Biotechnology Information NLM - National Library of Medicine PAHCE - Pan American Health Care Exchanges xiii

14 PDI - Processamento Digital de Imagens PMC - Perceptron Múltiplas Camadas RBC Raciocínio Baseado em Casos RBF - Radial Basis Function RNA - Rede Neural Artificial ROI - Region of Interest SACM - Sistema de Avaliação de Calcificações Mamárias TW - Transformada de Wavelet TDF - Transformada Discreta de Fourier UnB-GAMA Universidade de Brasília Faculdade Gama USP Universidade de São Paulo xiv

15 1 INTRODUÇÃO 1.1 CONTEXTUALIZAÇÃO E FORMULAÇÃO DO PROBLEMA O câncer de mama é um tipo de neoplasia heterogênea, com variações histopatológicas, variável agressividade tumoral e potencial metastático, cuja ocorrência é mais freqüente na fase pré e pós menopáusica feminina apresentando diferentes respostas clínicas (FREITAS et al., 2006). Considerado o segundo tipo de câncer com maior incidência mundial, o câncer de mama é uma enfermidade que atinge primordialmente a população feminina. Entretanto, pode afetar, embora em menor percentual, a população masculina, com resultados igualmente preocupantes (INCA, 2012). De acordo com estimativas pela Organização Mundial de Saúde (OMS), nas décadas de 60 e 70 houve um aumento de 10 vezes nas taxas de incidência de registros de câncer por faixa etária da base populacional de diversos continentes. Esse número tem aumentado nas últimas décadas. Estima-se que as incidências aumentem de 10 milhões para 15 milhões em 2020 (WHO, 2012). No Brasil, conforme registros do Instituto Nacional de Câncer (INCA), a quantidade de registros de mortes resultantes de câncer de mama continua elevada, principalmente porque o diagnóstico da doença é feito em estágio avançado. A melhor forma de prevenção e controle do câncer de mama continua sendo o diagnóstico precoce (WHO, 2012). A mamografia é considerada o principal método de detecção precoce do câncer de mama (MAJID A. et al., 2003; CHAKRABARTI et al., 2006). A eficácia do exame foi comprovada por ensaios aleatórios controlados nos quais foi possível atingir uma redução da mortalidade absoluta, graças a capacidade da mamografia de achar carcinomas ductais in situ e cânceres infiltrantes de um tamanho menor e em estágio mais precoce do que em grupos de controle que não passaram pelo exame (MORRISON, 1992; ACR, 2005). As calcificações (acúmulo de cálcio em regiões da mama) (NAPPI et al., 1999) são freqüentemente encontradas em exames de rastreio da mama, apesar da maioria caracterizar alterações benignas (LEUNG e SICKLES, 2007), existe uma grande parcela de carcinomas que iniciam-se com aglomerados de calcificações (LIBERTMAN et al., 1998). Estima-se que 90% dos cânceres intraductais não palpáveis sejam detectados 15

16 morfologicamente pela presença de calcificações, as quais podem estar associadas a aproximadamente 40% de todos os tumores (LAMAS, 1998). A distinção entre calcificações tipicamente benignas e calcificações suspeitas de malignidade é uma tarefa complexa (DINKEL, GASSEL e TSCHAMMLER 2000; PODHOLA e URMISKA, 2004), muitas vezes exigindo uma biópsia (retirada de um fragmento do tecido para análise microscópica) para uma conclusão efetiva. Segundo Kouskos et al. (2006) metade das biopsias são realizadas para investigar calcificações mamárias suspeitas. Apesar da alta probabilidade de detecção de câncer nas regiões com calcificações suspeitas de malignidade, as pacientes que são submetidas a biopsia sem necessidade enfrentam uma série de problemas (BIFFI, 2003) (psicológicos, financeiros, familiar, social, etc.) que poderiam ser evitados caso houvesse uma maior precisão na análise do exame antes da intervenção cirúrgica (MARTINS, BARRA e LUCENA, 2010). O acompanhamento mamográfico em menor espaço de tempo (6 meses) das calcificações provavelmente benignas, seguido de controles mamográficos anuais, bilaterais, por pelo menos 2 anos é uma alternativa á biópsia (SICKLES, 1995; LAMAS e SICKLES, 2004). Todavia atualmente existe uma alta taxa de exames falso-positivos, com aumento do custo total do rastreamento em virtude da necessidade de investigações histopatológicas e, conseqüentemente, cirurgias desnecessárias, as quais poderiam ser minimizadas através de técnicas menos invasivas para ampliar a eficiência da análise precoce das calcificações antes da submissão do paciente a biópsias (MARTINS, BARRA e LUCENA, 2010). O sistema de Laudos e Registros de Dados de Imagens da Mama BI-RADS (em inglês, Breast Imaging Reporting and Data System) foi desenvolvido em 1993 para padronizar os relatórios mamográficos, visando diminuir divergências na interpretação subjetiva das imagens mamográficas, além de facilitar o controle dos resultados (ACR, 2005). A detecção precoce e o diagnóstico correto do câncer mamário são um processo complexo, que depende dentre outros fatores, do raciocínio e experiência do profissional da área médica. Nesse contexto, o uso de técnicas computacionais no diagnóstico auxiliado por computador (do inglês CAD - Computer-Aided Diagnosis) na área médica é largamente difundido na literatura (TURGAY et al., 2010; CHENG et al., 2009). Por se tratar de uma ferramenta computacional os CADs não recebem a influência da fadiga e 16

17 pré-conceito, fatores intrínsecos ao ser humano que podem interferir no resultado (ZHENG et al., 2004; MAJID et al., 2003; PAQUERAULT et al., 2009). A Inteligência Artificial (IA) destaca-se como um paradigma computacional, vastamente defendido e empregado na literatura (PATROCINIO e SCHIABEL, 2001; SAMPAIO, 2009; JASMINE et al., 2009; LASHKARI, 2010; etc.), em soluções computacionais onde a programação convencional não é suficiente (HAYKIN, 1999). Nesse âmbito, entre as técnicas computacionais utilizadas na retenção, recuperação e reutilização de conhecimento para auxílio à decisão destacam-se, as Redes Neurais e o Raciocínio Baseado em Casos (RBC). As Redes Neurais Artificiais (RNA) têm sido freqüentemente utilizadas em problemas de reconhecimento e classificação de padrões devido a sua capacidade de aprender por meio de exemplos (HAYKIN, 1999; BRAGA, CARVALHO e LUDERMIR; AZEVEDO, LIMÃO e BRASIL, 2000). Já o RBC é uma técnica útil na resolução de problemas baseado na absorção e utilização do conhecimento tácito, armazenado previamente (WANGENHEIM, 2003; SILVA, 2005). A proposta dessa pesquisa consiste no emprego de técnicas de Processamento Digital de Imagens (PDI) (GONZALEZ e WOODS, 2008) para reconhecer, destacar e extrair informações de regiões de interesse (ROI - Region of Interest) de imagens mamográficas relacionadas a calcificações e classificá-las com a categoria BI-RADS mais aplicável utilizando um sistema RBC vinculado a uma RNA Perceptron Múltiplas Camadas (PMC) (HAYKIN, 1999; AZEVEDO, LIMÃO e BRASIL, 2000). Esse trabalho é fruto da parceria da UnB-GAMA com a Clínica Janice Lamas Radiologia (CJLR) e integra o projeto intitulado Atlas Anatômico 3D Aplicado à Mama desenvolvido com o Laboratório Nacional de Computação Científica do Ministério de Ciência e Tecnologia (LNCC/MCT) e Instituto Nacional de Ciência e Tecnologia em Medicina Assistida por Computação Científica (MACC), contribuindo no desenvolvimento de um ambiente educacional web para o aprendizado prático-morfológico das estruturas da mama. 17

18 1.2 OBJETIVOS Objetivo geral Este trabalho visa disponibilizar um sistema de auxílio ao diagnóstico por imagem para classificar calcificações mamárias, segundo categorias de risco da classificação BI-RADS Objetivos específicos Especificamente são objetivos da pesquisa: Implementar, treinar e avaliar uma RNA para classificação de calcificações mamárias em concordância com a nomenclatura e os critérios adotados pelo BI- RADS; Desenvolver um sistema de um RBC para auxiliar na classificação BI-RADS final de mamografias, considerando as características morfológicas das calcificações detectadas na mamografia, segundo os critérios adotados pela classificação BI- RADS. 1.3 REVISÃO DA LITERATURA A pesquisa bibliográfica realizada neste trabalho adotou livros, monografias, teses, e artigos de fontes especializadas tais como: Institute of Electrical and Electronics Engineers (IEEE), PubMed-ACM (Association for Computing Machinery), National Center for Biotechnology Information (NCBI), Universidade de São Paulo (USP), e Instituto Brasileiro de Informações em Ciência e Tecnologia (IBICT). O IEEE, uma organização profissional sem fins lucrativos, mantém uma série de materiais com o intuito de difundir conhecimento no ramo da engenharia, elétrica, eletrônica, computação e afins. Na base do IEEE foram localizados 10 resultados para a pesquisa por trabalhos relacionados ao tema: Digital Image Processing and Artificial Neural Networks for detection Calcifications in Mammography. Um dos trabalhos de maior correlação com o tema foi (PATROCINIO e SCHIABEL, 2001) o qual aborda o uso de uma RNA supervisionada com algoritmo de aprendizagem Backpropagation (HAYKIN, 1999; AZEVEDO, LIMÃO e BRASIL, 2000) para classificar agrupamentos de calcificações e nódulos mamários em suspeitos e não-suspeitos. A pesquisa utiliza

19 ROIs previamente segmentadas e recortadas de mamogramas digitalizados. Para treinar a RNA na classificação foram empregadas informações extraídas da ROI tais como: momentos de primeira, segunda e terceira ordens (MASTERS, 1994), invariantes momentos de Hu (HU, 1962), compacidade, irregularidade, raio de giração 1, perímetro 2 e área, além de características do histórico da paciente (idade e densidade da mama). No estudo realizado por (REZAI-RAD et al.,2005; JASMINE et al., 2009) foi constatado que as microcalcificações estavam presentes nas componentes das altas freqüências da imagem. Partindo dessa premissa, realizou-se a decomposição da imagem mamográfica em diferentes bandas de freqüência, suprimindo as baixas freqüências. A imagem final é reconstruída empregando-se apenas as altas freqüências, nas quais as calcificações estão presentes. A detecção das calcificações é realizada através da associação de RNA e a transformada de Wavelet. De forma similar (LASHKARI, 2010), aborda o uso de uma RNA associada a Gabor wavelets 3 (SHEN e BAI, 2006), momento geométrico invariante, energia, entropia, contraste e outras características estatísticas (média, mediana, variância, correlação e valores máximos e mínimo de intensidade) para analisar e classificar anormalidades do tecido mamário. O PubMed, criado pelo NCBI e mantido pela National Library of Medicine (NLM), disponibiliza material publicado em revistas de grande circulação da área médica. Foram localizados 9 registros para a busca por Digital Image Processing and Artificial Neural Networks for detection Calcifications in Mammography e 20 alterando o argumento de pesquisa para Digital Image Processing and Artificial Neural Networks in Mammography. Na pesquisa merecem destaque os trabalhos (HALKIOTIS, TAXIARCHIS e RANGOUSSI, 2007; RANGAYYAN, BANIK, e DESAUTELS, 2010; NUNES, SCHIABEL e GOES, 2006). O estudo de (HALKIOTIS, TAXIARCHIS e RANGOUSSI, 2007) emprega morfologia matemática para detectar e evidenciar aglomerados de calcificações mamárias e duas RNA PMC associadas a duas RNAs de funções de base radiais (do inglês RBF - Radial Basis Function) (HAYKIN, 1999) como 1 Raio de giração representa a distribuição espacial de pixels significantes da imagem (MASTERS, 1994). 2 Perímetro é medido pelo somatório das distâncias entre pontos consecutivos (CHENG, H. D. et al.,2009). 3 Transformada de Gabor - similar a transformada de Fourier, a transformada de Wavelet analisa variações espectrais em resoluções tempo-freqüência diversas. A transformada de Gabor difere, introduzindo um parâmetro que é inversamente proporcional à freqüência fazendo que a distribuição de freqüência situe-se em um intervalo positivo (COX, 2004). 19

20 classificador de ROIs. Os trabalhos de (TURGAY, 2010; HALKIOTIS, TAXIARCHIS e RANGOUSSI, 2007; RANGAYYAN, BANIK, e DESAUTELS, 2010; NUNES, SCHIABEL e GOES, 2006) versam sobre o uso de CADs no apoio à decisão médica sobre ROIs. (TURGAY, 2010) realiza uma análise dos modelos de CADs no apoio ao diagnóstico médico em mamografias, ultrassonografia 4 e interpretação Magnetic Resonance Imaging (MRI). O estudo sumariza os tipos de modelos computacionais, tamanho dos dados de entrada, características dos métodos de seleção, características dos tipos de entrada, padrão de referência e medição de desempenho para cada estudo. Os trabalhos desenvolvidos por (HALKIOTIS, TAXIARCHIS e RANGOUSSI, 2007; RANGAYYAN, BANIK, e DESAUTELS, 2010) são abordagens práticas, onde no primeiro caso é desenvolvido um CAD para detecção e classificação de imagens resultantes de ultra-sonografia da mama e o segundo propõe um CAD para analisar distorções arquiteturais 5. Em (NUNES, SCHIABEL e GOES, 2006) foram combinadas três técnicas (aumento de contraste através da transformação dos níveis de cinza do histograma, realce de contraste pela atenuação de coeficientes e realce por disposição das características da curva do filme radiográfico) para detectar aglomerados de microcalcificações em mamografias de mamas densas, com pouco contraste. Nas bases bibliográficas nacionais consultadas foram localizados 30 resultados na USP para o tema Calcificações mamárias via processamento digital de imagens e redes neurais artificiais e no IBICT 2 trabalhos relacionados ao tema mamografia e 99 sobre Processamento Digital de Imagens e RNA. A maioria dos trabalhos localizados na base do IBICT é direcionada a área da saúde ou não apresentam grande relevância com o tema deste documento, sendo Sampaio (2009) o trabalho mais próximo do tema abordado pela presente pesquisa, o qual utiliza RNA Celulares (do inglês Cellular Neural Network - CNN) para segmentar e extrair informações de ROIs, em seguida emprega descritores de geometria (excentricidade, circularidade, densidade, desproporção circular e densidade circular) para analisar a textura da ROI e Máquina de Vetores de Suporte para classificá- 4 Ultra-sonografia mamária - é um método auxiliar da mamografia, com maior aplicação na distinção de lesão cística de sólida e no estudo de mama radiologicamente densa (TURGAY, 2010). 5 Distorção arquitetural estrutura que apresenta linhas finas ou espiculadas irradiando-se de um ponto e retração ou distorção focal da margem do parênquima. Pode estar relacionada a nódulo, assimetria ou calcificações (ACR, 2005). 20